Le B.A.-ba de l’IA

Définition du Parlement européen

L’IA désigne la possibilité pour une machine de reproduire des comportements liés aux humains, tels que le raisonnement, la planification et la créativité. Elle permet à des systèmes techniques de percevoir leur environnement, gérer ces perceptions, résoudre des problèmes et entreprendre des actions pour atteindre un but précis (en savoir plus).

Définition du ministère de l’Enseignement supérieur et de la Recherche

L’intelligence artificielle est une notion forgée au milieu des années 1950, dans la foulée des réflexions du mathématicien Alan Turing. Elle désigne tout outil utilisé par une machine capable de « reproduire des comportements liés aux humains, tels que le raisonnement, la planification et la créativité » (en savoir plus).

Définition de la CNIL

L’intelligence artificielle n’est pas une technologie à proprement parler mais plutôt un domaine scientifique dans lequel des outils peuvent être classés lorsqu’ils respectent certains critères. C’est un procédé logique et automatisé reposant généralement sur un algorithme et en mesure de réaliser des tâches habituellement effectuées par l’intelligence humaine (en savoir plus).

Voici une liste de mots clés de l’IA ainsi que leur définitions pour vous familiariser avec ces notions :

• Agent intelligent : Système autonome capable de percevoir, raisonner et agir pour atteindre des objectifs spécifiques, s’adaptant à de nouvelles situations.

•Algorithme : Séquence précise d’instructions ou de règles pour résoudre un problème ou effectuer une tâche spécifique de manière systématique et reproductible.

• Annotation de données : Processus de marquage et catégorisation manuelle des données brutes pour créer des ensembles d’entraînement étiquetés.

• Apprentissage continu : Capacité d’un système à s’améliorer et s’adapter en permanence en intégrant de nouvelles données et expériences.

• Apprentissage supervisé : Technique où le modèle est entraîné sur des données étiquetées, apprenant à prédire les sorties correctes pour de nouvelles entrées.

• Apprentissage non supervisé : Méthode où le modèle explore des données non étiquetées pour découvrir des structures ou des relations cachées, sans guidance préalable.

• Apprentissage par renforcement : Paradigme où un agent apprend à prendre des décisions optimales en interagissant avec son environnement, recevant des récompenses ou des pénalités.

• Apprentissage automatique : Branche de l’IA permettant aux systèmes d’améliorer leurs performances à partir de l’expérience, en apprenant automatiquement à partir de données sans être explicitement programmés.

• Apprentissage profond : Sous-domaine utilisant des réseaux de neurones artificiels multicouches pour traiter des données complexes, permettant l’extraction automatique de caractéristiques pour des tâches avancées.

• Biais algorithmique : Erreurs systématiques dans les systèmes d’IA résultant de préjugés involontaires dans les données ou la conception, pouvant conduire à des décisions injustes.

• Big Data : Ensemble massif de données caractérisé par son volume, sa variété et sa vélocité, nécessitant des outils spécifiques pour son analyse et l’extraction de connaissances.

• Chatbot : Agent conversationnel basé sur l’IA, conçu pour interagir avec les humains via le langage naturel, capable de comprendre les requêtes et de fournir des réponses pertinentes.

• Éthique de l’IA : Ensemble de principes moraux et de cadres réglementaires guidant le développement et l’utilisation responsables de l’IA.

• Hallucination : Propension d’une IA à générer des réponses fausses, due à des lacunes en matière de données ou à une mauvaise classification des données.

• Intelligence artificielle (IA) : Domaine interdisciplinaire visant à créer des systèmes capables de simuler l’intelligence humaine, permettant aux machines de percevoir, raisonner, apprendre et agir de manière autonome.

• IA faible/forte : Distinction entre l’IA conçue pour des tâches spécifiques (faible) et celle hypothétique possédant des capacités cognitives générales comparables à l’humain (forte).

• IA générative : Systèmes capables de créer du contenu original en apprenant les patterns des données d’entraînement, utilisés dans la création artistique ou la simulation.

• LLM (Large Language Model) : réseaux de neurones artificiels profonds composés de nombreuses « couches » de neurones, chacune recevant et traitant les données issues de la couche précédente, pour aller vers des résultats de plus en plus précis. Sans eux pas d’agents conversationnels par exemple.

• Prompt : Littéralement « demander » en anglais, il désigne les instructions (plus ou moins précises) adressées par les utilisateurs aux systèmes d’IA génératives, afin qu’ils génèrent une réponse (textuelle ou visuelle) en conséquence.

• Réseau de neurones artificiels : Modèle de calcul inspiré des neurones biologiques, composé de nœuds interconnectés organisés en couches, capable de traiter l’information de manière distribuée.

• Test de Turing : Méthode pour évaluer la capacité d’une machine à exhiber un comportement intelligent équivalent à celui d’un humain dans une conversation textuelle.

• Traitement du langage naturel : Branche focalisée sur l’interaction entre ordinateurs et langage humain, englobant la compréhension, la génération et l’analyse du langage.

• Vision par ordinateur : Domaine visant à doter les machines de la capacité de voir et comprendre le contenu visuel, incluant la reconnaissance d’objets et l’analyse de scènes.

Le biais algorithmique est le fait que le résultat d’un algorithme d’apprentissage ne soit pas neutre, loyal ou équitable. Le biais est apparu en intelligence artificielle en même temps que l’apprentissage. Ce qu’une entité artificielle apprend est lié à la validité de l’enseignement qui lui est fourni. Enseignez des informations fausses à une IA et elle effectuera des actions et prendra des décisions inadaptées. En effet, les données servent à la création des modèles utilisés par les intelligences artificielles pour leur apprentissage. Les biais de l’IA sont des biais qui reflètent les préjugés de ses créateurs ou de ses données.

En intelligence artificielle, deux biais majeurs peuvent être considérés, le biais de code et le biais des données.
Le biais de code est introduit par le concepteur du code, qu’il soit programmeur, analyste-programmeur ou plus généralement concepteur du code. Il faut rajouter humain ou non humain, puisqu’aujourd’hui des intelligences artificielles sont capables de créer et générer des programmes informatiques.
Le biais des données est créé lorsque les données récupérées et utilisées sont, incomplètes, inappropriées, obsolètes, ou invalides. La responsabilité peut être partagée entre les programmeurs, les concepteurs du système, les data scientists ou tout autre tiers (humain ou pas) qui introduit sciemment ou pas des données erronées.

En utilisant la méthode A.C.T.I.F. (Action Contexte Tonalité Identité Format). Elle permet de structurer un prompt et d’obtenir rapidement une réponse pertinente en réalisant le moins d’itérations possibles.
Vous pouvez utiliser le générateur de prompt qui suit cette méthode : cliquez ici.

Article sur l’IA Act ou Règlement IA selon la CNIL : cliquez ici

Article du Parlement Européen sur l’IA Act et son lancement : cliquez ici

Ce cadre réglementaire de l’IA poursuit les objectifs suivants :

• veiller à ce que les systèmes d’IA mis sur le marché soient sûrs et respectent la législation en vigueur en matière de droits fondamentaux, les valeurs de l’UE, l’État de droit et la durabilité environnementale ;
• promouvoir l’adoption d’une IA axée sur l’humain et digne de confiance ;
• garantir un cadre juridique uniforme afin de faciliter les investissements et l’innovation ;
• renforcer la gouvernance et l’application effective de la législation existante en matière d’exigences de sécurité applicables aux systèmes d’IA et de droits fondamentaux ;
• améliorer le fonctionnement du marché intérieur pour des applications d’IA légales et sûres, et empêcher la fragmentation du marché.

Plus spécifiquement, le règlement établit :

• des règles harmonisées concernant la mise sur le marché, la mise en service et l’utilisation de systèmes d’IA dans l’UE ;
• l’interdiction de certaines pratiques ;
• des exigences spécifiques applicables aux systèmes d’IA à haut risque ;
• des règles harmonisées en matière de transparence applicables :
  • aux systèmes d’IA destinés à interagir avec des personnes,
  • aux systèmes de reconnaissance des émotions et de catégorisation biométrique,
  • aux systèmes d’IA générative utilisés pour générer ou manipuler des images ou des contenus audio ou vidéo ;
• des mesures visant à soutenir l’innovation, particulièrement pour les petites et moyennes entreprises (PME).
  
  Source

Si l’IA Act adopté en mars 2024, a posé le cadre légal en Europe, les lignes directrices ont défini, depuis 2018 dans une charte éthique, sept exigences à respecter pour qu’une IA soit considéré digne de confiance.

Ce socle de base concerne aussi bien le monde industriel que la société civile : 

1. Action humaine et contrôle humain : respect des droits fondamentaux, action et contrôle humains.
2. Robustesse technique et sécurité : résilience aux attaques et sécurité, plans de secours et sécurité générale, précision, fiabilité et reproductibilité.  
3. Respect de la vie privée et gouvernance des données : respect de la vie privée, qualité et intégrité des données et accès aux données. 
4. Transparence : traçabilité, explicabilité et communication. 
5. Diversité, non-discrimination et équité : absence de biais discriminants ou injustes, accessibilité et conception universelle, participation des parties prenantes.
6. Bien-être sociétal et environnemental : lien avec la durabilité et le respect de l’environnement, l’impact social, la société et la démocratie. 
7. Responsabilité : auditabilité, réduction au minimum des incidences négatives et communication à leur sujet, arbitrages et recours.

Ces sept exigences non exhaustives sont également partagées par de grandes instances telle que l’Unesco qui a, pour sa part, ajouté une huitième exigence : le respect de la dignité humaine.

Source

Utiliser l’IA n’est pas sans conséquence pour l’environnement. En effet, Les IA génératives nécessitent des quantités gigantesques de données pour leur entraînement. La consommation électrique de l’IA pourrait atteindre 135TWh d’ici 2027, soit l’équivalent de la production de 22 réacteurs nucléaires.
L’ADEME en partenariat avec le CNRS et INRIA nous propose des bonnes pratiques pour utiliser les IA génératives mais pas que, pour un numérique plus responsable : cliquez ici